Wörterbuch

“Agil” ist ein Projektmanagement-Konzept, das ursprünglich für die Softwareentwicklung entwickelt wurde, heute aber in unterschiedlichsten Bereichen angewendet wird. Ziel der agilen Arbeitsweise ist es, Transparenz und Flexibilität zu erhöhen sowie Risiken im Entwicklungsprozess zu minimieren.

Im Gegensatz zu klassischen Methoden wie dem Wasserfallmodell, die lange Konzeptions- und Planungsphasen voranstellen, wird bei agilen Ansätzen iterativ und inkrementell gearbeitet. Typische Grundprinzipien sind kurze, sich wiederholende Entwicklungszyklen deren Ziel es ist, möglichst früh ein funktionierendes “Produktinkrement” (z.B. einen funktionierender Prototypen einer Software oder einen Entwurf eines Dokuments) bereitzustellen. Diese Prinzipien lassen sich auch auf Projekte außerhalb der Softwareentwicklung übertragen, bei denen schrittweise Ergebnisse mit relevanten Stakeholdern (de: Teilhaber*innen, z. B. Geldgeber*innen, Kund*innen) diskutiert und weiterentwickelt werden.

Ein Algorithmus ist eine formal festgelegte Vorgehensweise, die eine Aufgabe gemäß eines bestimmten Schemas löst und einen Eingabewert zu einem Ausgabewert umformt. Ein Beispiel ist der PageRank-Algorithmus, der Websiten auf Grundlage der Linkpopularität, d.h. der Anzahl an Links die auf eine Seite verweisen, nach Relevanz sortiert. Im öffentlichen Diskurs wird der Begriff oft im Zusammenhang mit technischen Anwendungen zu Automatisierung und Optimierung von Prozessen, wie Suchmaschinenalgorithmen, Verschlüsselungstechniken und maschinelles Lernen.

Personenbezogene Daten, die so anonymisiert wurden, dass die Person nicht mehr identifizierbar ist, gelten nicht als personenbezogene Daten. Damit Daten wirklich anonymisiert sind, muss die Anonymisierung unumkehrbar sein.

Übersetzt von: https://commission.europa.eu/law/law-topic/data-protection/data-protection-explained_en

Eine Programmierschnittstelle (API) ist ein Programm, welches die Kommunikation und den Datenaustausch zwischen Anwendungen ermöglicht.

In der sogenannten API-Dokumentation (auch API-Spezifikation) wird festgelegt, welche Daten abrufbar sind und welche “Kommunikationsregeln” für den Datenaustausch gelten.

Da APIs die Kommunikation zwischen Anwendungen regeln und ermöglichen, sind sie für die Endbenutzer*innen häufig nicht sichtbar. Trotzdem sind APIs ein sehr zentrales Instrument der Softwareentwicklung und machen viele Nutzeranwendungen erst möglich.

Authentifizierung ist der Prozess, bei dem überprüft wird, ob eine Person, ein System oder eine Maschine tatsächlich die angegebene Identität besitzt. Das kann zum Beispiel die Überprüfung eines Passwortes zu einem angegebenen Benutzernamen sein, um sicherzustellen, dass die Person, die sich anmeldet, wirklich zu dem angegebenen Benutzernamen gehört. Grundsätzlich können bei der Authentifizierung unterschiedliche Methoden wie u.a. Passwörter, biometrische Daten oder Zertifikate zum Einsatz kommen.

Die Authentifizierung eines Nutzers ist nur einer der drei Schritte, die bei einer Anmeldung eines Nutzers in einem System aus Sicht der Informationssicherheit ausgeführt werden:

• Authentisierung: Hier belegt ihr eure Identität, beispielsweise indem ihr euren Benutzernamen und euer Passwort eingebt.

• Authentifizierung: Das System prüft nun eure angegebene Identität, kontrolliert eure Eingaben und fordert bei Bedarf weitere Nachweise an (etwa bei der Multi-Faktor-Authentifizierung).

• Autorisierung: Nach erfolgreicher Identitätsprüfung legt das System fest, welche Zugriffsrechte ihr erhaltet – also welche Aktionen ihr im System ausführen dürft und auf welche Informationen ihr zugreifen könnt.

Ein Backlog ist eine priorisierte Liste aller Aufgaben, Anforderungen und Ideen, die im Rahmen eines Projekts noch umgesetzt werden müssen. Es ist ein zentrales Werkzeug agiler Methoden wie Scrum und bildet die Grundlage für die Sprint-Planung. Im Backlog werden sowohl größere Projektziele als auch kleinere To-Dos gesammelt und laufend aktualisiert – je nach neuen Erkenntnissen oder sich ändernden Anforderungen.

Die Aufgaben im Backlog sind nach Priorität geordnet: Ganz oben stehen die wichtigsten und am klarsten beschriebenen Aufgaben, weiter unten finden sich eher grob formulierte, weniger dringliche Einträge.

Big Data bezeichnet extrem große und komplexe Datenmengen, die sich durch ihr Volumen, ihre Vielfalt und ihre Geschwindigkeit auszeichnen. Diese Daten sind oft zu umfangreich und vielfältig, um mit traditionellen Datenverarbeitungstools effektiv verarbeitet zu werden. Big Data wird genutzt, um Muster, Trends und Zusammenhänge zu erkennen, die Unternehmen und Organisationen dabei unterstützen, fundierte Entscheidungen zu treffen.

Bugs oder Fehler sind unerwartete Probleme und Störungen in Software oder Systemen, die dazu führen, dass diese nicht wie vorgesehen funktionieren. Fehlermanagement umfasst alle Prozesse zur systematischen Erfassung, Priorisierung, Analyse, Behebung und Dokumentation dieser Probleme, um die Stabilität und Qualität eurer digitalen Lösungen zu verbessern.

Business Intelligence (BI) umfasst Technologien, Prozesse und Tools, die Daten in nützliche Informationen und Erkenntnisse umwandeln. BI hilft Unternehmen dabei, datenbasierte Entscheidungen zu treffen, indem sie vergangene, gegenwärtige und zukünftige Geschäftsdaten analysiert. Typische BI-Tools beinhalten Dashboards, Datenvisualisierungen und Berichterstattungssysteme.

Ein Chatbot ist eine Software, die textbasierte oder gesprochene Kommunikation über ein Eingabe- und Ausgabefeld ermöglicht.. Es handelt sich um ein Teilgebiet der Künstlichen Intelligenz, in dem Methoden entwickelt werden, um automatisierte Dialogsysteme zu erstellen. Im öffentlichen Diskurs steht der Begriff meist für Anwendungen in Kommunikationskanälen wie Webseiten und sozialen Medien, um Kundensupport zu bieten und Anfragen zu beantworten. Ein Beispiel ist die Möglichkeit der Stornierung von Online-Bestellungen über einen Chatbot.

ChatGPT ist ein Chatbot, der von der Firma OpenAI entwickelt wurde. ChatGPT ahmt Unterhaltungen von Menschen nach. Im Hintergrund wird dafür ein KI Sprachmodell, ein sogenanntes Large Language Model (LLM) verwendet. Die Veröffentlichung von ChatGPT im Jahr 2022 hat große Wellen in der breiten Öffentlichkeit geschlagen und LLMs schlagartig populär gemacht. ChatGPT kann mit unterschiedlichen LLMs als Grundlage ausgeführt werden.

CI/CD beschreibt einen automatisierten Prozess in der Softwareentwicklung, bei dem neue Änderungen der Software regelmäßig zusammengeführt (continuous integration), getestet und den Nutzer*innen der Software bereitgestellt (continuous deployment) werden.

CI/CD ist eng mit dem Konzept des Deployments verknüpft, da es diesen letzten Schritt der Entwicklung einer Software – die Bereitstellung der Software für die Nutzer*innen – stark vereinfacht und durch Automatisierung beschleunigt. Als Teil des DevOps-Ansatzes trägt CI/CD dazu bei, Software schneller, zuverlässiger und mit weniger manueller Arbeit in Betrieb zu nehmen. Während DevOps der übergeordnete Ansatz ist, der Entwicklung und Betrieb zusammenbringt, beschreibt C/CD die konkreten Prozesse und Werkzeuge, mit denen dieser kontinuierliche Fluss von Änderungen automatisiert wird.

Die folgende Grafik zeigt den grundsätzlichen Ablauf eines CI/CD Prozesses:

In der Academy des Civic Data Labs findet Ihr Lernangebote rund um Daten. Sie bündelt bestehende Lernangebote, entwickelt neue Formate – speziell für die Zivilgesellschaft – und macht sie für alle zugänglich: online, offline, bedarfsgerecht und individuell. Stellt Euch Eure persönliche Lernreise in die Welt der Daten zusammen und stärkt Eure Datenkompetenzen.

Cloud Computing ist ein Modell, das den Zugriff auf IT-Ressourcen wie Server, Speicher, Datenbanken, Netzwerke, Software und Analysen über das Internet ermöglicht. Anstatt physische Hardware vor Ort zu besitzen und zu verwalten, mieten Unternehmen diese Ressourcen bei Cloud-Anbietern. Cloud Computing bietet Flexibilität, Skalierbarkeit und Kosteneffizienz und wird in verschiedenen Modellen wie Infrastructure as a Service (IaaS), Platform as a Service (PaaS) und Software as a Service (SaaS) bereitgestellt.

Ein Dashboard dient dem Informationsmanagement und stellt Daten übersichtlich und grafisch auf einer Benutzeroberfläche dar. Es ähnelt den Steuerungselementen eines Flugzeug-Cockpits und verwendet verschiedenste Visualisierungsmöglichkeiten wie Tachometer, Balken- oder Säulendiagramme oder auch Karten um Daten auf einen Blick zugänglich zu machen und kritisch hervorzuheben (z.B. Tachometer, Balken-, Säulen- und Kuchendiagramme).

Data Governance bezeichnet ein Teilgebiet des Datenmanagements, das Richtlinien, Standards und Verfahren entwickelt, um den Umgang mit Daten zu steuern. Es umfasst die systematische Verwaltung von Datenressourcen, um deren Nutzen zu maximieren und rechtliche Anforderungen zu erfüllen. Dies betrifft Aspekte wie Datenspeicherung, Datenschutz und Datenethik.

Ein Data Lake ist ein zentrales Speichersystem, das große Mengen strukturierter und unstrukturierter Daten in ihrem Rohformat speichert.

Im Gegensatz zu traditionellen Data Warehouses, die Daten vor der Speicherung verarbeiten und strukturieren, nimmt ein Data Lake Daten in ihrem ursprünglichen Format auf, die Analyse erfolgt zu einem späteren Zeitpunkt.

Der Begriff beschreibt die Fähigkeit, Daten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden. Da Digitalisierung immer mehr Raum im gesellschaftlichen Leben einnimmt, gehört es zur zivilgesellschaftlichen Aufgabe für jeden Menschen, grundlegende Aspekte der Datenerfassung, -speicherung, -verarbeitung und -analyse sowie dem Verständnis der entsprechenden Ergebnisse in allen Lebensbereichen zu entsprechen und allen Menschen zu ermöglichen. Damit wird Data Literacy immer mehr zur Notwendigkeit eines Lernens und Lehrens von Datenkompetenzen.

Data Mining beschreibt den Prozess, bei dem große Datenmengen analysiert werden, um Muster und wertvolle Informationen zu entdecken. Es umfasst Methoden wie Clusteranalyse, Klassifikation und Regressionsanalyse, die in Bereichen wie Marketing, Finanzanalyse und Gesundheitswesen eingesetzt werden. Data Mining unterstützt datengetriebene Entscheidungsprozesse und die Automatisierung von Analyseaufgaben.

Die so genannte Datenwissenschaft generiert Informationen aus großen Datenmengen, um daraus Handlungsempfehlungen für das Management abzuleiten. Ziel dieser Handlungsempfehlungen ist die Verbesserung der Qualität von Entscheidungen und der Effizienz von Abläufen. Data Science ist ein interdisziplinärer Ansatz und die Schnittmenge aus Mathematik, Informatik und spezifischem Fachwissen.

Ein Data Steward ist verantwortlich für die Verwaltung und Überwachung von Daten innerhalb einer Organisation. Diese Rolle umfasst Aufgaben wie die Festlegung von Datenstandards, die Sicherstellung der Datenkonsistenz und -genauigkeit sowie die Verwaltung des Datenzugriffs und die Einhaltung von Datenschutzvorschriften. Data Stewards arbeiten eng mit anderen Abteilungen zusammen, um eine effektive Datennutzung zu gewährleisten.

Data Stewardship ist die verantwortungsvolle Verwaltung von Daten innerhalb einer Organisation. Es umfasst die Festlegung und Durchsetzung von Datenstandards, die Sicherstellung der Datenkonsistenz und -qualität sowie die Einhaltung von Datenschutzvorschriften. Data Stewardship fördert eine Kultur des datenbewussten Handelns und unterstützt die strategischen Ziele der Organisation.

Data Storytelling ist die Kunst, Daten verständlich und ansprechend zu präsentieren. Es kombiniert visuelle und narrative Methoden, um Erkenntnisse aus Daten zu vermitteln und Entscheidungsprozesse zu unterstützen. Techniken umfassen Diagramme, Infografiken und interaktive Visualisierungen, die das Verständnis komplexer Zusammenhänge erleichtern. Dabei soll eine überzeugende Geschichte, die durch ansprechende Infografiken und Visualisierungen untermauert wird, das Verständnis für komplexe Zusammenhänge erleichtern.

Ein Data Warehouse (DWH) ist ein spezielles System zur langfristigen Speicherung und Analyse großer Datenmengen aus unterschiedlichen Quellen. Vereinfacht lässt es sich als Sammlung mehrerer Datenbanken betrachten.

In einem Data Warehouse werden Daten aus verschiedenen Systemen zusammengeführt, bereinigt, umgeformt und historisiert gespeichert. Damit können Anwender*innen umfassende Analysen durchführen und Trends über lange Zeiträume beobachten.

Daten sind nicht per se Information. Daten können analysiert und interpretiert werden und dadurch Information generiert werden. Sie liegen in strukturierter, semistrukturierter oder unstrukturierter Form vor, die zur Verarbeitung und Analyse genutzt werden können. Ein gutes Beispiel für diese verschiedene Formen ist eine Word-Datei – diese liegt meist in unstrukturierte Form vor und lässt sich nur schwer verarbeiten. Werden Word-Dateien jedoch mit einem Meta-Tag gekennzeichnet, lassen sie sich einfacher finden und ordnen – sie sind dann semistrukturiert. Eine Excel-Tabelle oder eine Datenbank hingegen stellen eine strukturierte Datenform dar, mit der sich unkompliziert Analysen tätigen lassen. Daten sind u.a. ein grundlegender Baustein der Informationstechnologie und der Wissenschaft und ermöglichen es, neues Wissen zu generieren und Entscheidungen zu treffen.

• Variablen werden nach anderen Variablen (Gruppierungsvariable) aggregiert und es werden nur Statistiken (z.B. Anzahl, Mittelwert, Varianz) auf aggregierter Ebene (weiter-)verwendet.
• Beispiele für Datenaggregation: Kreuztabellen, Pivot-Tabellen

Aggregation ist auch nicht sicher vor Attacken (z.B. durch die Kombination mit externen Daten)

Datenanalyse ist der Prozess der (systematischen) Untersuchung von Daten, um Erkenntnisse zu gewinnen. Sie umfasst Techniken wie deskriptive, explorative und inferentielle Analysen und unterstützt datenbasierte Entscheidungen. Datenanalyse findet Anwendung in Bereichen wie Wirtschaft, Gesundheitswesen, Marketing und Wissenschaft. Deskriptiv:

Die beschreibende Statistik hat zum Ziel einen Überblick über die Daten zu bekommen. Dabei wird vor allem mit (Häufigkeits-)Tabellen gearbeitet oder Kennwerten wie Mittelwert, Median, Standardabweichung und Varianz berechnet.

• Deskriptives Vorgehen: Die beschreibende Statistik hat zum Ziel einen Überblick über die Daten zu bekommen. Dabei wird vor allem mit (Häufigkeits-)Tabellen gearbeitet oder Kennwerten wie Mittelwert, Median, Standardabweichung und Varianz berechnet.
• Exploratives Vorgehen: Bei der als auch erforschenden Statistik bezeichneten Methode, steht die Sammlung von Information im Vordergrund zudem es bisher kein oder wenig Wissen gibt. Es werden zum Beispiel noch keine Hypothesen aufgestellt.
• Inferentielle Statistik: Auch als schließende Statistik bezeichnet, beschreibt den statistischen Prozess, von den Ergebnissen einer Stichprobe auf die Grundgesamtheit zu schließen.

Datenarchitektur ist die strukturierte Organisation und Verwaltung von Daten in einer Organisation. Sie umfasst die Definition von Datenmodellen, Datenflüssen, Speicherlösungen und Sicherheitsmaßnahmen. Datenarchitektur ist entscheidend für die Effizienz und Integrität der Datenverarbeitung in einer Organisation.

Eine Datenbank ist ein System zur Speicherung und Verwaltung von Daten. Es handelt sich um eine Softwareanwendung, die strukturierte Daten in Tabellen (Spalten und Zeilen) organisiert und effiziente Abfragen und Transaktionen ermöglicht. Datenbanken werden in zahlreichen Bereichen eingesetzt, um große Mengen an Informationen sicher und zugänglich zu halten.

Datenbereinigung ist der Prozess, bei dem fehlerhafte, unvollständige oder redundante Daten identifiziert und korrigiert werden. Diese Praxis zielt darauf ab, die Qualität und Genauigkeit von Datensätzen zu verbessern. Datenbereinigung ist entscheidend für die Zuverlässigkeit und Interpretation der Datenanalyse. Überall wo mit Daten gearbeitet wird, muss eine Datenbereinigung stattfinden und wird u.a. in Bereichen wie Marketing, Gesundheitswesen und Forschung angewendet.

Datenerhebung beschreibt den Prozess der systematischen Sammlung von Daten. Dies ist eine zentrale Praxis in der Forschung und Datenverarbeitung, um verlässliche und relevante Daten für Analysen und Entscheidungen zu gewinnen. Methoden umfassen Umfragen, Beobachtungen, Sensoren und Datenbanken.

Datenethik beschreibt das Studium und die Anwendung ethischer Prinzipien im Umgang mit Daten. Sie umfasst Themen wie Datenschutz, Datenhoheit, algorithmische Fairness und die Vermeidung von Diskriminierung. Datenethik ist entscheidend, um und eine sichere und gerechte Anwendung sicherzustellen.

Datenintegrität bezieht sich auf die Genauigkeit, Konsistenz und Zuverlässigkeit von Daten über ihren gesamten Lebenszyklus hinweg. Es stellt sicher, dass Daten vollständig, korrekt und unversehrt bleiben, unabhängig davon, wie oft sie bearbeitet oder übertragen werden. Datenintegrität ist entscheidend für die Glaubwürdigkeit und Verlässlichkeit von Daten in jeder Art von System.

Datenkompetenz ist die Fähigkeit, Daten effektiv zu verstehen, zu analysieren und zu nutzen. Sie umfasst Kenntnisse in Statistik, Datenanalyse, Datenvisualisierung, Datenmanagement und Datenethik und fördert datenbasierte Entscheidungen. Datenkompetenz ist in zahlreichen Bereichen wichtig und hilft, aus Daten wertvolle Erkenntnisse zu gewinnen.

Eine Datenkultur beschreibt die Art und Weise, wie Daten innerhalb einer Organisation oder Gesellschaft wahrgenommen und genutzt werden. Sie fördert eine Umgebung, in der Daten als strategische Ressource betrachtet werden, um Innovationen zu fördern und Entscheidungsprozesse zu optimieren. Datenkultur beinhaltet die Förderung von Datenkompetenz und die Einhaltung ethischer Standards.

Der Datenlebenszyklus beschreibt den gesamten Lebensweg von Daten, von ihrer Erfassung bis zur Archivierung oder Löschung. Er umfasst Phasen wie Datenerfassung, -speicherung, -verarbeitung, -analyse und -archivierung. Ein gutes Management des Datenlebenszyklus hilft Organisationen, ihre Daten effizient zu nutzen und Datenschutzrichtlinien einzuhalten. Das Civic Data Lab hat ein angepasste Modell passend für zivilgesellschaftliche Projekte entwickelt.

Datenmanagement ist der systematische Prozess der Verwaltung, Organisation und Sicherung von Daten. Es umfasst die Planung und Implementierung von Strategien und Verfahren zur Verwaltung des gesamten Daten Lebenszyklus. Datenmanagement ist entscheidend für Effizienz, Sicherheit, Qualität und Transparenz der Datennutzung..

Datenmodellierung ist der Prozess der Konzeption, Definition und Visualisierung von Datenstrukturen und deren Beziehungen in einer Datenbank oder einem Informationssystem. Sie umfasst die Erstellung von Entitäts-Beziehungs-Diagrammen, logischen und physikalischen Datenmodellen sowie die Festlegung von Datenattributen und Schlüsseln. Datenmodellierung ist entscheidend für die Entwicklung von Datenbanken und Informationssystemen.

Ein Datenökosystem ist eine Sammlung von Infrastrukturen, Anwendungen und Analysen. Es erfasst und analysiert Daten. Ökosystem wird anstelle von ‘Umgebung` verwendet, weil Datenökosysteme, wie reale Ökosysteme, darauf ausgelegt sind, sich im Laufe der Zeit weiterzuentwickeln.

Der Begriff Datenpipeline bezeichnet eine Reihe von Prozessen, durch die Daten von mindestens einer Quelle zu mindestens einem Ziel übertragen werden. Die Daten durchlaufen dabei eine Abfolge von Verarbeitungsschritten. Sie dient der Automatisierung und Orchestrierung von Datenflüssen und ermöglicht sowohl die Echtzeit- als auch die Batch-Verarbeitung. Typische Schritte in einer Datenpipeline umfassen die Sammlung, Bereinigung, Transformation und schließlich das Laden der Daten in das Zielsystem. Datenpipelines sind essenziell für die effiziente und konsistente Verarbeitung großer Datenmengen in modernen Datenarchitekturen

Datenqualität beschreibt den Zustand von Daten in Bezug auf verschiedene Faktoren wie Genauigkeit, Vollständigkeit, Konsistenz, Aktualität und Relevanz. Hochwertige Daten sind entscheidend, um verlässliche Analysen durchzuführen und fundierte Geschäftsentscheidungen zu treffen. Schlechte Datenqualität kann zu falschen Schlussfolgerungen und ineffizienten Prozessen führen.

Datenschutz beschreibt Maßnahmen zum Schutz personenbezogener Daten vor Missbrauch, unbefugtem Zugriff und Verlust. Er umfasst Gesetze, Richtlinien und Techniken, die Organisationen verpflichten, personenbezogene Daten sicher zu verwalten. Datenschutz ist entscheidend, um das Vertrauen der Öffentlichkeit zu wahren und die Rechte Einzelner zu schützen.

Datensicherheit bezeichnet Maßnahmen und Technologien zum Schutz digitaler Informationen und zur damit verbundenen Vertraulichkeit, Integrität und Verfügbarkeit dieser. Sie umfasst Sicherheitsmaßnahmen wie Verschlüsselung, Zugangskontrollen und regelmäßige Audits, um sensible Informationen vor Bedrohungen wie Cyberangriffen zu schützen. Datensicherheit ist entscheidend für den Schutz der Privatsphäre und die Einhaltung von Datenschutzbestimmungen.

Eine Datenstrategie ist ein umfassender Plan, der festlegt, wie ein Unternehmen seine Daten als strategische Ressource nutzen kann. Sie umfasst Richtlinien und Verfahren zur Erfassung, Speicherung, Analyse und Nutzung von Daten, um geschäftliche Ziele zu erreichen. Eine gut definierte Datenstrategie hilft Unternehmen, den maximalen Nutzen aus ihren Daten zu ziehen und Wettbewerbsvorteile zu erlangen.

Datenvisualisierung beschreibt die grafische Darstellung von Daten und Informationen. Sie umfasst Methoden und Techniken zur Erstellung von Diagrammen, Grafiken und interaktiven Visualisierungen, um Muster und Trends in Daten schnell erkennen zu können. Datenvisualisierung unterstützt Entscheidungsprozesse und fördert das leicht zugängliche Verständnis komplexer Zusammenhänge.

Der Begriff Datenvorhaben beschreibt ein geplantes Projekt oder eine Initiative, bei dem bzw. der Daten eine zentrale Rolle spielen. Er umfasst die Sammlung, Analyse und Nutzung von Daten, um Entscheidungsprozesse zu verbessern und Innovationen voranzutreiben. Das CDL hat 2023 – 2025 Organisationen bei ihren individuellen Vorhaben begleitet.

Datenwissenschaften (engl.: Data Science) verbindet verschiedene Disziplinen, um aus (oft komplexen) Datenmengen Wissen nutzbar zu machen. Dafür werden Methoden aus der Mathematik, Statistik und Information mit Domänenwissen aus den Anwendungsfachbereichen, im Civic Data Lab oft Soziale Arbeit oder Bildungswissenschaften, verbunden.

Deployment bezeichnet den Schritt, in dem eine entwickelte Software – zum Beispiel eine Website, ein Machine-Learning-Modell oder ein Chatbot – so bereitgestellt wird, dass sie tatsächlich genutzt werden kann.

Im Gegensatz zur einfachen Installation von Standardsoftware (wie z.B. eines Textverarbeitungsprogramms) ist das Deployment eigener Software in der Regel kein einmaliger Klick, sondern ein mehrstufiger Prozess. Dies gilt insbesondere dann, wenn mehrere Personen beteiligt sind, verschiedene Testphasen notwendig sind oder ein stabiler und fehlerfreier Betrieb sichergestellt werden muss.

Heutzutage wird dieser Prozess häufig so weit wie möglich automatisiert, um Deployments einfacher, weniger fehleranfällig und häufiger durchführen zu können (siehe DevOps).

Unter deskriptiver Statistik versteht man mathematische Methoden, mit denen man Daten strukturiert und aussagekräftig zusammenfasst. Dazu gehören üblicherweise die Lagemaße (Mittelwert, Median), Streuungsmaße (Varianz bzw. Standardabweichung), Zusammenhangsmaße (Korrelation), Verteilungs-Darstellungen (Histogramme, Boxplots, Balkendiagramme).

Diese Kennzahlen und Visualisierungen helfen dabei, große Datenmengen auf das Wesentliche zu reduzieren und verständlich zu präsentieren. Deskriptive Statistik grenzt sich von dem Begriff der Inferenzstatistik ab, indem sie keine Prognosen oder Aussagen über kausale Zusammenhänge liefert, sondern rein beschreibend ist.

Eine Desktop-Anwendung ist ein Computerprogramm, das auf eurem lokalen Rechner installiert und ausgeführt wird. Im Gegensatz zu Web-Anwendungen benötigt eine Desktop-Anwendung keine ständige Internetverbindung und läuft direkt im Betriebssystem (Windows, macOS, Linux) eures Computers. Die Anwendung nutzt die Ressourcen (z.B. Prozessor, Arbeitsspeicher, Festplatte) des lokalen Geräts und kann offline (d.h. ohne Internetverbindung) verwendet werden (eventuell mit eingeschränkten Funktionsumfang).

DevOps ist ein Ansatz in der Softwareentwicklung und IT, bei dem die enge Zusammenarbeit zwischen Entwicklung („Development“) und IT-Betrieb („Operations“) im Vordergrund steht. In der klassischen Softwareentwicklung (z.B. Wasserfallmodell) sind Entwicklung und Betrieb meist stark voneinander getrennt und werden oft von unterschiedlichen Abteilungen oder Auftragnehmern durchgeführt. Die Software wird zunächst vollständig entwickelt, abgenommen und anschließend in den Betrieb überführt.

Bei DevOps hingegen werden Entwicklung und Betrieb in gemeinsamen, agilen Teams integriert. So ergänzt DevOps agile Methoden, indem der Betrieb stärker in den Entwicklungsprozess eingebunden wird und erste fertige Funktionalitäten schnell an die Nutzer*innen bereitgestellt werden, um frühzeitig Feedback aus der Anwendung zu erhalten. Ziel von DevOps ist es, die Softwarequalität zu erhöhen, Entwicklungszyklen zu verkürzen und Updates schneller bereitzustellen. Zentrale Prinzipien sind die kontinuierliche Integration (Continuous Integration), die kontinuierliche Bereitstellung (Continuous Delivery) und eine weitgehende Automatisierung (siehe auch CI/CD).

Differential Privacy ist ein Konzept des Datenschutzes, das die Freigabe von Daten oder Ergebnissen von Datenanalysen mit einer mathematischen Garantie des Datenschutzes ermöglicht. Im Mittelpunkt stehen Algorithmen zur Datenfreigabe (z. B. zur Berechnung des Mittelwerts, der Summe, der Anzahl usw. eines Datensatzes), die analytische Abfragen entgegennehmen und Ergebnisse produzieren, die auf kontrollierte, zufällige Weise verändert wurden. 

Übersetzt von hier: https://medium.com/dsaid-govtech/protecting-your-data-privacy-with-differential-privacy-an-introduction-abee1d7fcb63 

Den Daten wird sogenanntes Rauschen zugefügt. Dahinter stecken verschiedene Verfahren, um eine Art kontrollierten Zufall bei der Beantwortung von Abfragen einzuführen. (https://cispa.de/differential-privacy) 

Wann/wo wird Rauschen hinzugefügt?

• Rauschen/Noise wird bei der Berechnung der Aggregierten Kennzahlen hinzugefügt (“Global mode”)
• Rauschen/Noise wird den einzelnen Datenpunkten vor der Aggregation hinzugefügt (“local mode”)

Weitere Quellen: https://desfontain.es/blog/friendly-intro-to-differential-privacy.html

Das DNS (Domain Name System) ist wie ein riesiges Telefonbuch für das Internet. Es enthält Einträge (en: Records) für jede Internetadresse (de: Domäne, en: Domain, z.B. google.com oder cdl.dev). Das DNS verwendet die Records, um für die Internetadresse/Domain Informationen (z.B. IP-Adressen) “nachzuschlagen”, die Computer verstehen und die für das Funktionieren des Internets relevant sind. Das DNS ist ein weltweit verteiltes Netz aus Servern, das speziell für diese Aufgabe existiert .

In der Informatik sind Dummy-Daten harmlose Informationen, die keine nützlichen Daten enthalten, sondern als Platzhalter für echte Daten dienen, z.B. 

• Email Adressen durch max.mustermann@gmail.com etc. ersetzen

• Alter durch zufällige Werte ersetzen. 
• Postleitzahlen durch 5-stellige zufällige Zahlenfolgen ersetzen (oder durch zufällige PLZ)

Vorteil:

• Generelles Datenschema wird beibehalten -> gut, wenn “Inhalt” der Daten nicht wichtig ist. 

Nachteil: 

• Ursprünglicher Informationsgehalt der Daten geht verloren 

ETL steht für Extract, Transform, Load – und bezeichnet einen Prozess, um Daten aus diversen Quellen zu entnehmen, aufzubereiten und in ein Zielsystem (z. B. in ein Data Warehouse) zu laden.

Daten werden erst gesammelt (extract), dann in das gewünschte Format gebracht und bereinigt (transform) und schließlich ins Zielsystem geladen (load), wo sie dann von verschiedenen Nutzer*innen ausgewertet werden können.

Im Gegensatz zum klassischen ETL Prozess, der gut für komplexe Verarbeitungen von kleinen Datenmengen geeignet ist, existiert auch der modernere ELT Prozess, in dem die Daten erst extrahiert, dann in das Zielsystem geladen und anschließend innerhalb des Zielsystems transformiert werden. Der ELT Prozess ist geeigneter für große Datenmengen und hat den zusätzlichen Vorteil, dass die unveränderten Rohdaten ebenfalls im Zielsystem gespeichert werden.

Few-Shot-Learning (FSL) bezeichnet Fähigkeiten und Kompetenzen, die KI-Modelle mit nur wenigen Trainingsdaten entwickeln. Diese Methode erlaubt einem KI-Modell, neue Daten zu erkennen und zu klassifizieren, nachdem es nur einer geringen Zahl von Trainingsbeispielen ausgesetzt wurde. FSL reduziert die benötigte Datenmenge für das Training und wird häufig in der Computer Vision eingesetzt.

Die Begriffe Frontend und Backend bezeichnen unterschiedliche Bereiche oder Schichten (en: “Layer”) einer Anwendung:

• Das Frontend ist die Präsentationsebene einer Anwendung, die für die Benutzerin sichtbar ist und mit der sie mithilfe von Bedienelementen wie z.B. Buttons, Menüs oder Formularen interagieren kann.

• Das Backend ist der Bereich einer Anwendung, die dem Frontend die Logik der Anwendung bereitstellt. Im Backend werden z.B. Daten aus Datenbanken gelesen, Benutzer*innen authentifiziert oder Berechnungen durchgeführt.

Frontend und Backend sind besonders bei WebApps relevant. In diesem Fall erfolgt die Kommunikation zwischen Frontend und Backend typischerweise über eine API.

Generative KI-Modelle (GenAI) sind Modelle, die neue Inhalte wie Texte, Bilder oder Videos erzeugen. Sie findet Anwendung in Bereichen wie Kunst, Unterhaltung und E-Commerce. Generative KI nutzt Machine Learning und Deep Learning, um Inhalte basierend auf einfachen Textbeschreibungen zu erstellen. Bekannte Beispiele sind Modelle wie ChatGPT oder Gemini (Google).

Git ist ein Programm zur Versionskontrolle. Es ermöglicht es Entwickler*innen, Änderungen an Code und anderen Dateien zu verfolgen, zu verwalten und zu koordinieren.

Git ist wie ein Logbuch für eure Dateien. Es ist ein Werkzeug, das alle Änderungen an euren Dokumenten aufzeichnet und speichert, sodass ihr:

• sehen könnt, wer was wann geändert hat

• zu früheren Versionen zurückkehren könnt

• gleichzeitig an denselben Projekten arbeiten könnt, ohne euch gegenseitig zu überschreiben

Programmierprojekte werden häufig mit Git verwaltet und auf Plattformen wie GitHub, GitLab oder Gitea bereitgestellt.

Eine Graphendatenbank überführt die Informationen aus Daten in Knoten und Kanten. Diese Struktur ermöglicht es, komplexe Beziehungen zwischen Daten effizient abzubilden und zu analysieren. Graphendatenbanken sind besonders nützlich für Anwendungsbereiche wie soziale Netzwerke, Empfehlungsmaschinen und Netzwerküberwachung.

Hosting bezeichnet die Bereitstellung und den Betrieb von IT-Infrastruktur und Rechenressourcen, um Websites, WebApps, Datenbanken und andere Anwendungen zugänglich zu machen. Hierfür werden meistens Server verwendet.

• Beim Self-Hosting (de: selbst hosten, Eigenhosting) betreibt und wartet man selbst nötige Infrastruktur und Anwendungen.

• Beim Managed Hosting übernimmt ein externer Anbieter den Betrieb und die Wartung der Infrastruktur und Anwendungen.

Unabhängig davon, wer das Hosting übernimmt, spielt auch das “Wo” eine Rolle – die benötigten Rechenressourcen können entweder in der Cloud liegen (Cloud Computing, z.B. ein virtueller Server) oder physisch vor Ort sein (“on premise”, z.B. Server in einem eigenen Data-Center oder in einem separaten Raum im Büro). Mit der zunehmenden Verfügbarkeit von Cloud Computing und damit verbundenen Geschäftsmodellen nimmt der Anteil von Hosting in der Cloud in den letzten Jahren stetig zu.

Hyperscaler sind Unternehmen, die große Mengen an Rechenleistung und Speicherressourcen anbieten. Sie ermöglichen es Unternehmen, flexibel und skalierbar IT-Dienstleistungen zu nutzen. Hyperscaler wie Amazon Web Services (AWS) bieten Dienste wie Cloud-Computing, Big Data und Maschinelles Lernen an, um die Digitalisierung im jeweiligen Kontext zu fördern.

Identifizierbar: als identifizierbar wird eine natürliche Person angesehen, die direkt oder indirekt, insbesondere mittels Zuordnung zu einer Kennung wie einem Namen, zu einer Kennnummer, zu Standortdaten, zu einer Online-Kennung oder zu einem oder mehreren besonderen Merkmalen, die Ausdruck der physischen, physiologischen, genetischen, psychischen, wirtschaftlichen, kulturellen oder sozialen Identität dieser natürlichen Person sind, identifiziert werden kann.

• Ein Datensatz wird als k-anonym bezeichnet, wenn jede Kombination von Werten für demografische Spalten im Datensatz bei mindestens k verschiedenen Datensätzen auftritt. 
• Informationen für jede in den Daten enthaltene Person kann nicht von mindestens k – 1 Personen unterschieden werden, deren Informationen ebenfalls in den Daten erscheinen.

Übersetzt von: https://desfontain.es/blog/k-anonymity.html

• z.B. nur die ersten 2 Stellen der Postleitzahl, Alterskategorien anstelle von genauem Geburtsdatum
• Je höher k, desto besser, da es schwieriger wird, Personen zu identifizieren
• Beispieldatensatz hat k-Anonymität von 1

KI-gestützte Datenanalyse beschreibt die Anwendung von Künstlicher Intelligenz zur Untersuchung und Interpretation von Daten. Sie nutzt Techniken wie Maschinelles Lernen und Neuronale Netzwerke, um Muster und Anomalien in großen Datensätzen zu erkennen. KI-gestützte Datenanalyse verbessert die Effizienz und Genauigkeit von Analyseprozessen und unterstützt datenbasierte Entscheidungen.

Künstliche Intelligenz (KI) ist die Fähigkeit von Maschinen, Aufgaben auf menschenähnliche Weise auszuführen. Sie umfasst Technologien und Methoden, die es Computern ermöglichen, Probleme zu lösen, zu lernen und Entscheidungen zu treffen. KI wird in verschiedenen Bereichen wie Automatisierung, Bild- und Spracherkennung sowie im Gesundheitswesen eingesetzt, um komplexe Aufgaben zu bewältigen.

Large Language Models (LLM) sind große maschinelle Lernmodelle, die natürliche Sprache verstehen und generieren können. Sie basieren auf Deep-Learning-Algorithmen und sind darauf trainiert, Texte zu erstellen, diese zu übersetzen und Fragen zu beantworten. LLMs finden Anwendung in Bereichen wie Textgenerierung, Sprachverarbeitung und Chatbots.

Machine Learning ist ein Teilbereich der künstlichen Intelligenz, der sich darauf konzentriert, Systeme zu entwickeln, die aus Daten lernen und Vorhersagen oder Entscheidungen treffen können, ohne explizit dafür programmiert zu sein. Machine Learning-Algorithmen erkennen Muster in großen Datenmengen und verbessern ihre Leistung durch Erfahrung. Diese Technologie wird in vielen Anwendungen eingesetzt, von Spracherkennung bis hin zu personalisierten Empfehlungen. Mehr zum Begriff in unserer Lernlandkarte.

Metadaten sind Daten, die Informationen über andere Daten bereitstellen. Sie beschreiben Merkmale wie das Erstellungsdatum, den Autor, das Format und die Dateigröße und sind entscheidend für die Verwaltung, Suche und Nutzung von Informationen. Metadaten helfen, die Organisation von und den Zugriff auf Daten zu verbessern und deren Kontext zu verstehen.

Neural Architecture Search (NAS) ist ein maschinelles Lernverfahren zur automatisierten Entwicklung optimaler neuronaler Netzwerke. NAS-Algorithmen durchsuchen den Raum möglicher Netzwerkarchitekturen, um die beste Leistung für eine bestimmte Aufgabe zu finden. NAS verbessert die Effizienz und Genauigkeit von KI-Modellen und erleichtert deren Entwicklung.

Eine NoSQL-Datenbank ist ein nicht-relationales Datenbankmanagementsystem, das Daten in flexiblen Formaten speichert. Es eignet sich für unstrukturierte und semi-strukturierte Daten und bietet eine hohe Skalierbarkeit und Leistung. NoSQL-Datenbanken wie MongoDB und Cassandra werden in Anwendungen verwendet, die große Datenmengen verarbeiten müssen.

Permission Management (de: Rechteverwaltung, Berechtigungsverwaltung) ist ein System zur Kontrolle und Steuerung von Zugriffsrechten in IT-Systemen. Es regelt, welche Benutzer*innen oder Gruppen auf bestimmte Ressourcen zugreifen und welche Aktionen sie ausführen dürfen.

Die wichtigsten Komponenten sind:

• Benutzer*innen und Gruppen: Einzelpersonen oder Sammlungen von Benutzer*innen

• Rollen: Vordefinierte Rollen, die bestimmte Zugriffsrechte bündeln (z.B. Administrator*in)

• Ressourcen: Geschützte Daten, Funktionen, Anwendungen oder Systeme

• Berechtigungen: Spezifische Aktionen wie Lesen, Schreiben, Ausführen oder Löschen

Personalisierung beschreibt die Anpassung von Inhalten und Dienstleistungen an die individuellen Bedürfnisse und Vorlieben von Nutzer*innen. Dies geschieht durch die Analyse und Nutzung von Daten über Nutzerverhalten, -präferenzen und -interaktionen. Personalisierung verbessert die Nutzererfahrung und fördert Kundenbindung und -zufriedenheit in Bereichen wie E-Commerce, Marketing und Medien.

Präskriptive Analysen sind ein fortschrittlicher Ansatz, der Empfehlungen für zukünftige Maßnahmen auf Basis von Datenanalysen und Simulationen gibt. Sie gehen über deskriptive und prädiktive Analysen hinaus, indem sie Handlungsanweisungen vorschlagen, um optimale Ergebnisse zu erzielen. Präskriptive Analysen nutzen Algorithmen und Modelle, um Entscheidungsträgern zu helfen, die besten Maßnahmen zu ergreifen.

Predictive Analytics ist die Anwendung statistischer und maschineller Lerntechniken zur Vorhersage zukünftiger Ereignisse und Trends. Dabei werden historische Daten genutzt, um Muster zu erkennen und Modelle zu erstellen, die wahrscheinliche zukünftige Entwicklungen prognostizieren. Predictive Analytics findet Anwendung in Bereichen wie dem Finanzwesen, Marketing, dem Gesundheitswesen und Logistik, um proaktiv Entscheidungen zu treffen.

Eine Programmiersprache ist eine künstliche Sprache, mit der Menschen Anweisungen und Programme schreiben können, die Computer ausführen können.

Genau wie eine natürliche Sprache (z.B. Deutsch) hat eine Programmiersprache…

• … ein Vokabular: die Gesamtheit der “Schlüsselwörter” der Programmiersprache, die verwendet werden können, um ein Programm zu schreiben

• … eine Syntax bzw. Grammatik: Regeln, wie Wörter und andere Elemente (z.B. Klammer, Doppelpunkt, Komma, Semikolon) angeordnet werden müssen, damit der Computer sie versteht

Im Gegensatz zu natürlichen Sprachen (z.B. Deutsch) hat bei einer Programmiersprache allerdings jedes Wort nur eine Bedeutung bzw. entspricht einer bestimmten Ausführungslogik durch den Computer. So löst in der Programmiersprache Python das Wort/der Befehl mean immer die Berechnung eines Mittelwerts aus – der Computer wird niemals “fies” werden.

Verschiedene Programmiersprachen haben unterschiedliche Stärken – manche sind besonders gut für Webentwicklung geeignet, andere für die Datenanalyse oder für mobile Anwendungen.

Pseudonymisierung die Verarbeitung personenbezogener Daten in einer Weise, dass die personenbezogenen Daten ohne Hinzuziehung zusätzlicher Informationen nicht mehr einer spezifischen betroffenen Person zugeordnet werden können, sofern diese zusätzlichen Informationen gesondert aufbewahrt werden und technischen und organisatorischen Maßnahmen unterliegen, die gewährleisten, dass die personenbezogenen Daten nicht einer identifizierten oder identifizierbaren natürlichen Person zugewiesen werden.

(Artikel 4, 5 DSGVO, eigene Hervorhebungen)

Retrieval-Augmented Generation (RAG) ist eine Erweiterung von Large Language Models (LLMs). Das Prinzip von RAG ist, dass zusätzliche Informationen aus einer Wissensdatenbank in die Text-Anfrage (en: Prompt) an eine generative KI einbezogen werden. Dadurch entsteht eine Lösung, die deutlich flexibler und aktueller ist als ein reines Sprachmodell.

Die beiden Phasen des RAG Systems sind:

• “Retrieval” (de: Abruf): Ein Modell oder Algorithmus durchsucht externe Quellen (z. B. Datenbanken, Websites, Textsammlungen), um relevante Informationen zu einer Anfrage zu finden.

• “Augmented Generation” (de: erweiterte Erzeugung): Ein Generatives KI Modell nutzt sowohl erlerntes Wissen als auch die abgerufenen Informationen, um eine passende Antwort oder einen Text zu verfassen.

Eine relationale Datenbank speichert Daten in Tabellen, die miteinander in Beziehung stehen. Sie verwendet das relationale Modell, um Daten strukturiert und organisiert zu speichern, und ermöglicht komplexe Abfragen und Transaktionen. Relationale Datenbanken wie MySQL und Oracle sind weit verbreitet und werden in zahlreichen Anwendungen eingesetzt, um Daten effizient zu verwalten.

Scrum ist ein agiles Vorgehensmodell für Projektmanagement, Software- und Produktentwicklung, das auf kurzen Arbeitszyklen (Sprints), klaren Rollen und regelmäßigem Feedback basiert. Im Gegensatz zum linearen Wasserfallmodell ermöglicht Scrum durch sein iteratives Vorgehen ein hohes Maß an Flexibilität und Anpassungsfähigkeit.

Im Vergleich zu traditionellen Projektmanagementmethoden wie dem PMBOK (Project Management Body of Knowledge), die umfangreiche Vorgaben für jede Projektphase, Rollen, Prozesse und Deliverables machen, ist Scrum bewusst minimalistisch gehalten. Der Scrum Guide umfasst nur rund 20 Seiten und definiert nur die wesentlichen Elemente:

• Drei Rollen: Product Owner (priorisiert Anforderungen), Scrum Master (moderiert den Prozess), Entwicklungsteam (setzt Aufgaben um).

• Drei Artefakte: Product Backlog (Prioritätenliste der Anforderungen), Sprint Backlog (konkrete Aufgaben für den Sprint), Increment (fertiges Produktinkrement, von lateinisch “Zuwachs”/”Vergrößerung”)

• Fünf Prozesse: Sprint, Sprint Planning, Daily Scrum, Sprint Review, Retrospektive.

Statt detaillierter Anweisungen gibt Scrum einen flexiblen Rahmen vor, innerhalb dessen Teams eigenverantwortlich und selbstorganisiert arbeiten.

Server-Client-Modell

Server und Client sind zwei zentrale Konzepte in der IT, die das Verhältnis zwischen zwei Systemen beschreiben:

• Der Client ist das Gerät oder das Programm, das eine Anfrage stellt (z. B. ein Webbrowser).

• Der Server ist das Gerät oder das Programm, das die Anfrage bearbeitet und dem Client die gewünschten Daten oder Dienste bereitstellt (z. B. ein Webserver-Programm).

Diese Kommunikation findet in vielen digitalen Anwendungen statt, von Websites bis zu Cloud-Diensten.

Ihr könnt euch einen Server wie eine zentrale Telefonauskunft vorstellen: Sie hat Zugriff auf Informationen und ist dafür da, Anfragen zu beantworten. Die Clients sind wie die Menschen, die bei der Auskunft anrufen: Sie stellen eine konkrete Anfrage und bekommen eine Antwort. Die Auskunftszentrale kann dabei parallel mehrere Anrufe entgegennehmen und Informationen bereitstellen.

Server als Rechner

Was manchmal zu Verwirrung führen kann: der Begriff “Server” bezeichnet sowohl den Rechner als auch die Server-Programme, die auf ihm laufen. So könntet ihr auf einem Server (Rechner) euren Webserver (Programm), E-Mail Server (Programm) und einen API-Server (Programm) betreiben.

Ein Small Language Model (SLM) ist ein Machine-Learning-Modell zur Verarbeitung natürlicher Sprache, das durch seine geringere Größe sowohl beim Training als auch bei der Ausführung weniger Rechenressourcen benötigt als ein Large Language Model (LLM). Trotz der reduzierten Parameteranzahl können SLMs viele gängige Textaufgaben bewältigen, zum Beispiel das Extrahieren von Informationen, die Klassifikation von Texten oder das Generieren kurzer Antworten. Im Vergleich zu LLMs sind SLMs oft leichter in bestehende Systeme zu integrieren und kostengünstiger zu betreiben.

Während Hardware die physischen Bestandteile eines Computers beschreibt, wie zum Beispiel eine Festplatte, wird der Begriff Software für die Programme eines Computers verwendet, die ihn funktionsfähig machen, wie zum Beispiel das Betriebssystem.

Ein Sprint ist ein klar abgegrenzter Arbeitszeitraum von in der Regel ein bis vier Wochen und zentraler Bestandteil agiler Methoden wie Scrum. In dieser Zeit arbeitet das Team konzentriert an ausgewählten Aufgaben, um am Ende ein konkretes, nutzbares Ergebnis (ein sogenanntes „Produktinkrement“) zu liefern. Jeder Sprint beginnt mit einer gemeinsamen Planung, beinhaltet tägliche kurze Abstimmungen (Daily Stand-ups) und endet mit einer Präsentation der Ergebnisse (Sprint Review) sowie einem Rückblick zur Verbesserung der Zusammenarbeit (Retrospektive). Anschließend beginnt ein neuer Sprint.

SQL ist eine Programmiersprache zur Verwaltung und Abfrage von Daten in relationalen Datenbanken. Sie ermöglicht es, Daten zu erstellen, zu lesen, zu aktualisieren und zu löschen. SQL ist ein Standard bei der Interaktion mit Datenbanken und wird in zahlreichen Anwendungen und Datenbanksystemen verwendet.

Synthetische Daten sind künstliche Daten, die aus Originaldaten und einem Modell erzeugt werden, das so trainiert ist, dass es die Merkmale und die Struktur der Originaldaten reproduziert. Das bedeutet, dass synthetische Daten und Originaldaten sehr ähnliche Ergebnisse liefern sollten, wenn sie der gleichen statistischen Analyse unterzogen werden.

Übersetzt von: https://www.edps.europa.eu/press-publications/publications/techsonar/synthetic-data_de

Die Begriffe Terminal, Shell, Konsole und Kommandozeile werden häufig synonym für ein Programm verwendet, mit dem man über Textbefehle mit dem Betriebssystem eines Computers interagieren kann. Tatsächlich haben diese Begriffe jedoch (leicht) unterschiedliche Bedeutungen – mehr dazu erfährst du im Abschnitt Mehr zum Terminal.

In den Anfängen der Computer-Entwicklung war das Benutzen eines Terminals die einzige Möglichkeit, mit einem Computer zu kommunizieren. Heutzutage gibt es für viele Programme eine grafische Benutzeroberfläche. Das Terminal wird vor allem im Bereich der Programmierung, z.B. bei der Verwendung von Programmiersprachen und Servern, genutzt.

Unstrukturierte Daten sind Informationen, die in keinem vordefinierten Format oder Modell organisiert sind, wie z. B. Texte, Bilder, Videos, E-Mails und soziale Medien. Im Gegensatz zu strukturierten Daten, die in Datenbanken gespeichert und leicht analysiert werden können, erfordern unstrukturierte Daten spezielle Technologien und Methoden zur Verarbeitung und Analyse, um wertvolle Erkenntnisse zu gewinnen.

User Experience Design (UXD) beschäftigt sich mit dem gesamten Erlebnis, das ein Mensch bei der Nutzung (en: User Experience / UX) eines digitalen Produkts oder einer Dienstleistung hat. Es geht darum, wie sich die Nutzung anfühlt und wie gut Nutzer*innen ihre Ziele erreichen können.

User Interface Design (UID) umfasst die visuelle und interaktive Gestaltung von Benutzeroberflächen (en: User Interface / UI), also alles, was Nutzer*innen sehen und womit sie interagieren, wie Buttons, Menüs, Farben und Bilder. User Interface Design ist ein Teil von User Experience Design.

Verantwortliche KI beschreibt den ethischen und transparenten Einsatz von Künstlicher Intelligenz. Sie umfasst Prinzipien wie Fairness, Transparenz, Datenschutz und Rechenschaftspflicht, um sicherzustellen, dass KI-Systeme zum Wohle der Gesellschaft eingesetzt werden. Verantwortliche KI fördert das Vertrauen in KI-Technologien und schützt vor negativen Auswirkungen.

Ein virtueller Assistent ist eine KI-basierte Software, die Aufgaben und Anfragen von Nutzern ausführen kann. Sie nutzt Technologien wie natürliche Sprachverarbeitung und Maschinelles Lernen, um menschenähnliche Interaktionen zu ermöglichen. Virtuelle Assistenten finden Anwendung in Bereichen wie dem Kundenservice, der Terminverwaltung und in persönlichen Assistenzdiensten.

WebApps sind Software-Anwendungen, die direkt in einem Webbrowser (wie z.B. Firefox, Edge oder Chrome) laufen – ohne dass sie auf dem eigenen Rechner installiert werden müssen. Mithilfe der WebApp kann der*die Nutzer*in eine bestimmte Aufgabe durchführen.

WebApps werden heutzutage vorzugsweise mobile-first (de: “mobil zuerst”) entwickelt. Das heißt, es wird erst einmal darauf geachtet, dass die WebApp gut auf mobilen Endgeräten (Smartphones, Tablets) funktioniert.

Digitale Zertifikate sind Dateien, die die Identität oder bestimmte Eigenschaften des Zertifikat-Inhabers – einer Person, einer Organisation oder eines IT-Systems – bestätigen. Zertifikate werden von vertrauenswürdigen Zertifizierungsstellen (CA, en: Certificate Authority) ausgestellt, die die Integrität und Authentizität des Zertifikats garantieren. Zertifikate ermöglichen es unter anderem, sichere Verbindungen herzustellen und Daten zu verschlüsseln. Sie sind daher ein wichtiger Grundbaustein für ein sicheres Internet.

Technisch beruhen digitale Zertifikate auf einem mathematischen Verschlüsselungsverfahren (auch Public-Key-Verfahren), das mit öffentlichen (en: public) und privaten (en: private) Schlüsseln arbeitet. Mehr dazu erfährst du unten unter “Mehr zu Zertifikaten”.